JISKa, Vol. 5, No. 2, SEPTEMBER, 2020, Pp. 107 – 115 ISSN: 2527 – 5836 (print) | 2528 – 0074 (online)
Perbandingan Algoritma Contraharmonic Mean Filter Dan
Arithmetic Mean Filter untuk Mereduksi Exponential Noise
Mhd. Furqan (1), Sriani (2), Yuli Kartika Siregar (3)
Program Studi Ilmu Komputer, Universitas Islam Negeri Sumatera Utara Medan JL. IAIN, No. 01 Medan, Sumatera Utara
e-mail : mfurqan@uinsu.ac.id (1), sriani@uinsu.ac.id (2),
yulikartikasiregar9716@gmail.com (3)
Abstract
Noise in the image caused a decrease in image quality, so that the image will look dirty and spots appear on the resulting image. Noise also results in reduced information on the resulting image so that noise limits valuable information when image analysis is performed. Filtering technique is one way to overcome noise. The filtering technique used in this study is using the Contraharmonic Mean Filter algorithm and the Arithmetic Mean Filter algorithm with the type of noise used to reduce the Exponential Noise. The results of the two algorithms show that the Arithmetic Mean Filter algorithm is a better algorithm to reduce the Exponential Noise compared to the Contraharmonic Mean Filter algorithm which is proven based on the value of MSE (Mean Square Error) and PSNR (Peak Signal-to-Noise Ratio).
Keywords: Image, Contraharmonic Mean Filter, Arithmetic Mean Filter, Exponential Noise, MSE and PSNR.
Abstrak
Noise pada citra mengakibatkan menurunnya kualitas citra, sehingga citra tersebut akan tampak kotor dan muncul bintik-bintik pada citra yang dihasilkan. Adanya noise juga mengakibatkan berkurangnya informasi pada citra yang dihasilkan sehingga noise tersebut membatasi informasi yang berharga ketika analisis citra dilakukan. Teknik filtering merupakan salah satu cara untuk mengatasi noise. Teknik filtering yang digunakan pada penelitian ini yaitu menggunakan algoritma Contraharmonic Mean Filter dan algoritma Arithmetic Mean Filter dengan jenis noise
yang digunakan untuk direduksi yaitu Exponential Noise. Hasil penelitian dari kedua algoritma tersebut menunjukkan bahwa algoritma Arithmetic Mean Filter merupakan algoritma yang lebih baik untuk mereduksi Exponential Noise dibandingkan dengan algoritma Contraharmonic Mean Filter yang dibuktikan berdasarkan nilai MSE (Mean Square Error) dan PSNR (Peak Signal-to-Noise Ratio).
Kata Kunci: Citra, Contraharmonic Mean Filter, Arithmetic Mean Filter, Exponential Noise, MSE dan PSNR.
1. PENDAHULUAN
Citra yaitu salah satu komponen yang berperan penting sebagai suatu bentuk dari informasi visual (Fadillah & Gunawan, 2019). Informasi yang terkandung pada citra akan terganggu karena adanya noise. Ada beberapa hal yang mengakibatkan adanya noise pada citra, diantaranya yaitu, kualitas kamera yang memiliki resolusi rendah, kamera yang kurang fokus, kontras citra yang memiliki kualitas terlalu rendah ataupun terlalu tinggi, kompresi citra, bisa juga terjadi sejak pengambilan dan atau transmisi citra, dan hal lainnya (Sutoyo et al., 2009). Noise pada citra memiliki beberapa jenis, salah satunya yaitu Exponential Noise, merupakan jenis noise yang ditandai dengan munculnya bintik-bintik berwarna putih yang dihasilkan oleh pencitraan laser, derau ini terkadang juga memengaruhi gambar 3D tersebut (Kaur & Singh, 2014). Pencitraan laser dapat digambarkan dengan penggunaan mesin scanner maupun mesin fotocopy yang akan mencetak ataupun menduplikat sebuah citra yang berisi gambar, tulisan maupun yang lainnya. Hasil keluaran (output) yang dihasilkan dari mesin tersebut terkadang masih kurang baik karena pada output-nya masih ada bintik-bintik putih yang disebut noise.
Untuk mengatasi noise diperlukan usaha untuk memperbaiki kualitas citra tersebut. Pengolahan citra merupakan usaha yang dilakukan untuk mengubah citra menjadi citra lain yang lebih sempurna sehingga output yang dihasilkan sesuai dengan keinginan (Sulistiyanti et al., 2016).
JISKa ISSN:2527–5836 (print) | 2528–0074 (online) ■ 108 Perbaikan citra merupakan sebuah proses yang berusaha untu merekontruksi atau mengembalikan suatu citra yang telah terdegradasi (Simangunsong, 2017). Teknik filtering citra merupakan salah sartu bagian dari pengolahan citra. Teknik filtering ini digunakan untuk mereduksi noise dengan tetap mempertahankan informasi dalam citra tersebut (Iswari et al., 2011). Pemprosesan pada teknik filtering dilakukan dengan pengambilan fungsi citra pada piksel-piksel tertentu dan akan menggantikan dengan piksel-piksel-piksel-piksel tertentu juga (Azmi et al., 2019). Pada penelitian ini penulis menggunakan teknik filtering domain spasial. Domain spasial yang digunakan yaitu jenis linier filtering khususnya mean filter. Mean Filter baik dalam melalukan perbaikan pada citra digital karena dapat menghasilkan citra yang lebih fokus karena dalam penggantian nilai piksel menggunakan nilai rata-rata dari semua piksel yang ada (Wedianto et al., 2016). Pada mean filter terdapat beberapa jenis filtering diantaranya yaitu ada
Contraharmonic Mean Filter dan Arithmetic Mean Filter. Mean Filter bekerja dengan menggantikan intensitas suatu piksel dengan piksel rata-rata nilai piksel dari piksel-piksel tetangganya (Widayat et al., 2018).
Yang membedakan kedua algoritma ini yaitu cara kerjanya, pada Contraharmonic Mean Filter
pencarian nilai tengah dari setiap kernel yang ditentukan dilakukan dengan cara membagi nilai warna setiap piksel dengan nilai warna piksel itu juga, kemudian setiap nilai warna piksel dipangkatkan dengan nilai order filter (Q). Pada Arithmetic Mean Filter pencarian nilai tengah dari setiap kernel yang ditentukan dilakukan dengan cara membagi nilai warna setiap piksel dalam daerah yang ditentukan (Sutoyo et al., 2009). Arithmetic Mean Filter yaitu algoritma yang menitikberatkan nilai rata-rata dari seluruh jumlah pada piksel yang di sekelilingnya (Mulyani & Apriyanti, 2016).
Penggunaan teknik filtering ini biasanya diimplementasikan pada aplikasi editing foto seperti Photoshop atau dengan membuat aplikasi baru maupun sebuah sistem menggunakan tools
seperti MATLAB. Oleh karena itu penulis akan melakukan pengujian terhadap algoritma
Contraharmonic Mean Filter dan Arithmetic Mean Filter dalam mereduksi noise yang tercipta dari pencitraan laser (Exponential Noise). Sehingga berdasarkan hasil yang diuraikan di atas maka penulis membuat penelitian untuk mereduksi Exponential Noise pada citra digital dengan menggunakan algoritma Contraharmonic Mean Filter dan Arithmetic Mean Filter.
2. METODE PENELITIAN
Penelitian ini dilakukan untuk dapat mengetahui algoritma yang lebih baik dalam mereduksi
Exponential Noise pada citra digital, algoritma yang dibandingkan yaitu Contraharmonic Mean Filter dan Artihmetic Mean Filter.
2.1. Perencanaan
Adapun diagaram perencanaan dalam algoritma Contraharmonic Mean Filter dan Arithmetic Mean Filter sebagai berikut:
109 ■ JISKa Vol. 5, No. 2, SEPTEMBER, 2020: 107 - 115
Gambar 1. Diagram perencanaan algoritma Contraharmonic Mean Filter
Gambar 2. Diagram perencanaan algoritma Contraharmonic Mean Filter 3. HASIL DAN PEMBAHASAN
3.1. Perancangan
JISKa ISSN:2527–5836 (print) | 2528–0074 (online) ■ 110
111 ■ JISKa Vol. 5, No. 2, SEPTEMBER, 2020: 107 - 115 2) Perancangan flowchart sistem pada algoritma Arithmetic Mean Filter.
JISKa ISSN:2527–5836 (print) | 2528–0074 (online) ■ 112 3.2. Analisis Data
Sample citra grayscale 3 x 3 piksel pada gambar 5 akan dilakukan proses reduksi Exponential Noise dengan algoritma Contraharmonic Mean Filter dan sebagai berikut:
250 251 251 250 169 115 112 125 135 Gambar 5. Sample citra 3 x 3 1) Input Citra grayscale ukuran 3 x 3 piksel.
2) Penambahan Exponential Noise dengan probabilitas noise 5%. 255 252 251
255 192 151 115 136 190
Gambar 6. Hasil dari sample citra grayscale 3 x 3 piksel yang telah diberikan 5% Exponential Noise.
3) Reduksi Exponential Noise dengan algoritma Contraharmonic Mean Filter.
Contraharmonic Mean Filter merupakan bagian dari mean filter yang menghasilkan sebuah perbaikan citra berdasarkan persamaan berikut (Sutoyo et al., 2009)[1]:
𝑓"(𝑥, 𝑦) = ∑(%,'))*+∑ "($,&)"($,&)!!"#
(%,') (1)
Keterangan:
• 𝑔(𝑠, 𝑡)()* adalah baris dan kolom piksel yang akan diproses dengan Q+1 • 𝑔(𝑠, 𝑡)( adalah baris dan kolom piksel yang akan diproses dengan Q.
255 252 251 255 214 213 115 166 168
Gambar 7. Citra hasil filtering algoritma Contraharmonic Mean Filter dengan Q = 1 4) Reduksi Exponential Noise dengan algoritma Arithmetic Mean Filter.
Arithmetic Mean Filter dapat diimplementasikan dengan menggunakan konvolusi (Sutoyo et al., 2009)[1]. Adapun persamaannya sebagai berikut:
𝑓"(𝑥, 𝑦) = +,* ∑($,&)∈.*+𝑔(𝑠, 𝑡) (2)
Keterangan:
• 𝑚 × 𝑛 adalah baris (𝑚) dan kolom (𝑛) dari Subimage atau kernel pada citra
• 𝑔(𝑠, 𝑡) adalah baris dan kolom piksel yang akan diproses 255 252 251
255 200 204 115 140 147
Gambar 8. Citra hasil filtering Arithmetic Mean Filter
5) MSE dan PSNR total pada algoritma Contraharmonic Mean Filter dan Arithmetic Mean Filter.
113 ■ JISKa Vol. 5, No. 2, SEPTEMBER, 2020: 107 - 115 Standar pengukuran galat (error) pada pengolahan citra yaitu MSE dan PSNR (Syarifuddin, 2006). MSE (Mean Square Error) digunakan untuk mengukur kinerja prosedur perbaikan citra. PSNR (Peak Signal-to-Noise Ratio) merupakan nilai perbandingan maksimum warna pada citra hasil filtering dengan kuantitas gangguan noise yang dinyatakan dalam satuan decibel (db) (Sutoyo et al., 2009)[1]. Nilai MSE yang lebih kecil dan nilai PSNR yang lebih besar menunjukkan bahwa kualitas citra yang dihasilkan merupakan kualitas yang lebih baik.
Rumus MSE:
𝑀𝑆𝐸 = /×1* ∑65*/ ∑145*(𝑓2(𝑖, 𝑗) − 𝑓3(𝑖, 𝑗))7 (3)
Keterangan:
• M dan N yaitu ukuran panjang dan lebar citra
• 𝑓2(𝑖, 𝑗) = intensitas citra di titik (𝑖, 𝑗) sebelum terkena noise. • 𝑓3(𝑖, 𝑗) = intensitas citra di titik (𝑖, 𝑗) setelah noise dihilangkan.
a) MSE total untuk algoritma Contraharmonic Mean Filter 𝑀𝑆𝐸𝑡𝑜𝑡𝑎𝑙 = 0 + 0 + 0 + 0 + 992,4 + 0 + 0 + 0 + 0 = 992,4 b) MSE total untuk algoritma Arithmetic Mean Filter
𝑀𝑆𝐸 total = (0 + 0 + 0 + 0 + 644 + 0 + 0 + 0 + 0 = 644 Adapun PSNR dari citra diatas adalah:
Rumus PSNR:
𝑃𝑆𝑁𝑅 = 20 ∗ 𝐿𝑜𝑔10 (√/.:788 ) (4) a) Adapun PSNR untuk algoritma Contraharmonic Mean Filter
𝑃𝑆𝑁𝑅 = 20 ∗ 𝐿𝑜𝑔10 ( 788
√;;7,<) = 20 * 𝐿𝑜𝑔10( 788
=*,8>7) = 20 * 0,9081 = 18,163
b) Adapun PSNR untuk algoritma Arithmetic Mean Filter
𝑃𝑆𝑁𝑅 = 20 ∗ 𝐿𝑜𝑔10 (788
√?<<) = 20 * 𝐿𝑜𝑔10( 788
78,=@@*) = 20 * 1,00209 = 20,041
3.3. Implementasi
Gambar 9 merupakan tampilan form uji coba reduksi Exponential Noise dengan persentase noise 10% dan pereduksian noise menggunakan kernel 3 X 3 pada sistem yang dibangun.
JISKa ISSN:2527–5836 (print) | 2528–0074 (online) ■ 114
Gambar 9. Form menu reduksi noise pada kernel 3 x 3 Tabel 1. Data hasil Pengujian
DATA UJI Kernel 3 X 3 Kernel 5 x 5 Kernel 7 x 7 Jenis Algoritma Gambar1.bmp
dengan 1%
Exponential Noise
MSE : 2298,3 MSE : 2551,2 MSE : 2672,82 Contraharmonic Mean Filter
(dengan nilai Q* = 1)
PSNR : 14,5167 PSNR : 14,0634 PSNR : 13,8611
MSE : 1772,8 MSE : 1962,24 MSE : 2049,75 Arithmetic Mean Filter PSNR : 15,6442 PSNR : 15,2033 PSNR : 15,0138 Gambar1.bmp dengan 5% Exponential Noise
MSE : 716,237 MSE : 996,368 MSE : 1230,48 Contraharmonic Mean Filter
(dengan nilai Q* = 1)
PSNR : 19,5802 PSNR : 18,1466 PSNR : 17,23
MSE : 496,61 MSE : 656,811 MSE : 785,555 Arithmetic Mean Filter PSNR : 21,1706 PSNR : 19,9564 PSNR : 19,179 Gambar1.bmp dengan 10% Exponential Noise
MSE : 536,897 MSE : 837,081 MSE : 1093,04 Contraharmonic Mean Filter
(dengan nilai Q* = 1)
PSNR : 20,8319 PSNR : 18,9031 PSNR : 17,7444
MSE : 315,313 MSE : 471,187 MSE : 602,699 Arithmetic Mean Filter
PSNR : 23,1434 PSNR : 21,3989 PSNR : 20,3298 NB: *Nilai Q merupakan rumus dari algoritma Contraharmonic Mean Filter
4. KESIMPULAN
Kesimpulan dari hasil pembahasan dan pengujian dalam penelitian ini menyimpulkan bahwa algoritma Arithmetic Mean Filter memiliki hasil yang lebih baik dibanding algoritma
Contraharmonic Mean Filter dalam mereduksi Exponential Noise yang dapat dilihat berdasarkan nilai MSE dan PSNR yang didapatkan.
Pada algoritma Arithmetic Mean Filter dalam mereduksi Exponential Noise nilai MSE didapatkan lebih kecil dan nilai PSNR didapatkan lebih besar dibanding dengan menggunakan algoritma
Contraharmonic Mean Filter.
Pada penelitian ini jenis citra yang digunakan yaitu citra grayscale dan jenis noise yang di reduksi hanya Exponential Noise diharapkan pada pengembangan penelitian selanjutnya dapat
115 ■ JISKa Vol. 5, No. 2, SEPTEMBER, 2020: 107 - 115 digunakan jenis noise lainya seperti Gaussian Noise, Uniform Noise dan jenis noise lainnya, dengan jenis citra RGB (true color) sebagai objek citra yang akan diuji.
DAFTAR PUSTAKA
Azmi, B., Wibisono, Darman, & Sugiharto. (2019). Effect of Filter on Image Reconstruction using Filtered Back Projection Algorithm for Industrial Gamma-Ray Tomography Technique.
Jurnal Ilmiah Aplikasi Isotop Dan Radiasi, 15(1), 57–67.
Fadillah, N., & Gunawan, C. R. (2019). MENDETEKSI KEAKURATAN METODE NOISE SALT AND PEPPER DENGAN MEDIAN FILTER. Jurnal Informatika, 6(1), 91–95. https://doi.org/10.31311/ji.v6i1.5439
Iswari, A. T., Utami, P. R., Rachmansyah, & Widodo, S. (2011). Implementasi Algoritma Wavelet Haar untuk Menghilangkan Noise Pada Citra Digital. Seminar Nasional Dan Expo Teknik Elektro 2011, 31–36.
Kaur, R., & Singh, E. N. (2014). Image Restoration-A Survey. IOSR Journal of Computer Engineering (IOSR-JCE), 16(4), 107–111.
Mulyani, A., & Apriyanti, G. (2016). PENERAPAN METODE ALGORITMA ARITHMETIC MEAN FILTER UNTUK MEREDUKSI NOISE SALT AND PEPPER PADA CITRA. Jurnal TECHNO Nusa Mandiri, 13(2), 97.
Simangunsong, P. B. N. (2017). Reduksi Noise Salt And Pepper Pada Citra Digital Menggunakan Metode Contraharmonic Mean Filter. MEANS (Media Informasi Analisa Dan Sistem), 2(1), 16–18.
Sulistiyanti, S. R., Setyawan, F. X. A., & Komarudin, M. (2016). Pengolahan Citra, Dasar dan Contoh Penerapannya. Teknosain.
Sutoyo, T., Mulyanto, E., Suhartono, V., Oky Dwi Nurhayati, & Wijanarto. (2009). Teori pengolahan citra digital. Andi.
Syarifuddin, S. N. (2006). ANALISIS FILTERING CITRA DENGAN METODE MEAN FILTER DAN MEDIAN FILTER. Universitas Komputer Indonesia.
Wedianto, A., Sari, H. L., & H., Y. S. (2016). Analisa Perbandingan Metode Filter Gaussian, Mean Dan Median Terhadap Reduksi Noise. Jurnal Media Infotama, 12(1), 21–30. https://doi.org/10.37676/jmi.v12i1.269
Widayat, D., Nasution, S. D., & Siregar, S. R. (2018). PENERAPAN METODE ARITHMETIC MEAN FILTER UNTUK MEREDUKSI NOISE SPECKLE DAN SALT AND PAPER PADA CITRA ORTOKROMATIK. Jurnal Pelita Informatika, 7(1), 16–20.
